L’intelligenza artificiale di Intel Labs si avvicina al futuro dell’apprendimento dei robot?
I sistemi informatici possono svilupparsi al punto da poter pensare in modo creativo, identificare persone o oggetti che non hanno mai visto prima e adattarsi di conseguenza, il tutto lavorando in modo più efficiente, con meno energia? Intel Labs ci sta scommettendo, con un nuovo approccio hardware e software che utilizza il calcolo neuromorfico, che, secondo un recente post sul blog, “utilizza nuovi approcci algoritmici che emulano il modo in cui il cervello umano interagisce con il mondo per fornire capacità più vicine alla cognizione umana. ”
Anche se questo può sembrare futuristico, la ricerca sull’informatica neuromorfica di Intel sta già promuovendo casi d’uso interessanti, incluso come aggiungere nuovi comandi di interazione vocale ai veicoli Mercedes-Benz ; creare una mano robotica che fornisce farmaci ai pazienti; o sviluppare chip che riconoscono sostanze chimiche pericolose.
Un nuovo approccio di fronte ai limiti di capacità
I sistemi basati sull’apprendimento automatico, come le auto a guida autonoma, la robotica, i droni e altre tecnologie autosufficienti, si sono affidati a chip di elaborazione sempre più piccoli, potenti ed efficienti dal punto di vista energetico. Sebbene i semiconduttori tradizionali stiano ora raggiungendo i loro limiti di miniaturizzazione e capacità di alimentazione , convincere gli esperti a credere che sia necessario un nuovo approccio alla progettazione dei semiconduttori.
Un’opzione intrigante che ha stuzzicato la curiosità delle aziende tecnologiche è l’informatica neuromorfica. Secondo Gartner , le tecnologie informatiche tradizionali basate sull’architettura dei semiconduttori legacy raggiungeranno un muro digitale entro il 2025. Ciò forzerà modifiche a nuovi paradigmi come il calcolo neuromorfico, che imita la fisica del cervello umano e del sistema nervoso utilizzando reti neurali spiking (SNNs). ) – cioè i picchi dei singoli neuroni elettronici attivano altri neuroni in una catena a cascata.
Il calcolo neuromorfico consentirà una visione rapida e una pianificazione del movimento a bassa potenza, ha detto a VentureBeat via e-mail Yulia Sandamirskaya, ricercatrice presso gli Intel Labs di Monaco. “Questi sono i colli di bottiglia chiave per abilitare robot sicuri e agili, in grado di dirigere le loro azioni sugli oggetti in ambienti dinamici del mondo reale”.
Inoltre, l’informatica neuromorfica “espande lo spazio degli algoritmi basati sulla rete neurale”, ha spiegato. Grazie alla co-localizzazione della memoria e dell’elaborazione in un chip, consente l’elaborazione efficiente dal punto di vista energetico dei segnali e consente l’apprendimento continuo e permanente su chip.
Una taglia non va bene per tutti nell’informatica AI
Poiché lo spazio dell’IA diventa sempre più complesso, una soluzione valida per tutti non può affrontare in modo ottimale i vincoli unici di ciascun ambiente attraverso lo spettro dell’informatica dell’IA.
“L’elaborazione neuromorfica potrebbe offrire un’alternativa convincente ai tradizionali acceleratori di intelligenza artificiale, migliorando significativamente la potenza e l’efficienza dei dati per casi d’uso di intelligenza artificiale più complessi, dai data center alle applicazioni estreme”, ha affermato Sandamirskaya.
Il calcolo neuromorfico è abbastanza simile al modo in cui il cervello trasmette e riceve segnali dai neuroni biologici che innescano o identificano i movimenti e le sensazioni nei nostri corpi. Tuttavia, rispetto agli approcci tradizionali, in cui i sistemi orchestrano il calcolo in termini strettamente binari, i chip neuromorfici calcolano in modo più flessibile e ampio. Inoltre, rimappando costantemente le reti neurali, gli SNN replicano l’apprendimento naturale, consentendo all’architettura neuromorfica di prendere decisioni in risposta ai modelli appresi nel tempo.
Questi SNN asincroni basati su eventi consentono ai computer neuromorfici di ottenere vantaggi in termini di potenza e prestazioni di ordini di grandezza rispetto ai progetti tradizionali. Sandamirskaya ha spiegato che l’informatica neuromorfica sarà particolarmente vantaggiosa per le applicazioni che devono funzionare con vincoli di potenza e latenza e adattarsi in tempo reale a circostanze impreviste.
Uno studio di Emergen Research prevede che l’industria mondiale dell’elaborazione neuromorfica raggiungerà 11,29 miliardi di dollari entro il 2027.
La soluzione di apprendimento in tempo reale di Intel
L’elaborazione neuromorfica sarà particolarmente vantaggiosa per le applicazioni che devono funzionare con vincoli di potenza e latenza e devono adattarsi in tempo reale a circostanze impreviste, ha affermato Sandamirskaya.
Una sfida particolare è che i robot intelligenti richiedono il riconoscimento degli oggetti per comprendere sostanzialmente gli ambienti di lavoro. Il nuovo approccio di calcolo neuromorfico di Intel Labs all’apprendimento degli oggetti basato sulla rete neurale, in collaborazione con l’Istituto Italiano di Tecnologia e l’Università Tecnica di Monaco, è rivolto ad applicazioni future come gli assistenti robotici che interagiscono con ambienti non vincolati, compresi quelli utilizzati nella logistica, nell’assistenza sanitaria , o assistenza agli anziani.
In una configurazione simulata, un robot rileva attivamente gli oggetti muovendo gli occhi attraverso una telecamera basata su eventi o un sensore di visione dinamico. Gli eventi raccolti vengono utilizzati per guidare una rete neurale spiking (SNN) sul chip di ricerca neuromorfico di Intel, chiamato Loihi. Se un oggetto o una vista sono nuovi per il modello, la sua rappresentazione SNN viene appresa o modificata. La rete riconosce l’oggetto e fornisce un feedback all’utente, se l’oggetto è noto. Questa tecnologia di calcolo neuromorfico consente ai robot di apprendere continuamente ogni sfumatura nel loro ambiente.
Intel e i suoi collaboratori hanno dimostrato con successo l’apprendimento interattivo continuo sul chip di ricerca neuromorfico Loihi, misurando un’energia circa 175 volte inferiore per apprendere una nuova istanza di oggetto con velocità e precisione simili o migliori rispetto ai metodi convenzionali eseguiti su un’unità di elaborazione centrale (CPU).
Il calcolo è più efficiente dal punto di vista energetico
Sandamirskaya ha affermato che il calcolo è più efficiente dal punto di vista energetico perché utilizza circuiti asincroni senza clock che sfruttano naturalmente analisi sparse e basate sugli eventi.
“Loihi è la piattaforma informatica neuromorfica più versatile che può essere utilizzata per esplorare molti diversi tipi di nuovi algoritmi di reti neurali bio-ispirati”, ha affermato, tra cui il deep learning per reti di attrattori, ottimizzazione o algoritmi di ricerca, codifica sparsa o simbolico architetture vettoriali.
L’efficienza energetica di Loihi mostra anche la promessa di rendere le tecnologie assistive più preziose ed efficaci nelle situazioni del mondo reale. Poiché Loihi è fino a 1.000 volte più efficiente dal punto di vista energetico rispetto ai processori generici, un dispositivo basato su Loihi potrebbe richiedere una ricarica meno frequente, rendendolo ideale per l’uso nella vita quotidiana.
Il lavoro di Intel Labs contribuisce all’apprendimento automatico basato su rete neuronale per robot con un ridotto ingombro energetico e capacità di apprendimento interattivo. Secondo Intel, tale ricerca è un passaggio cruciale per migliorare le capacità dei futuri robot di assistenza o di produzione.
“L’apprendimento su chip consentirà l’auto-calibrazione continua dei futuri sistemi robotici, che saranno morbidi e quindi meno rigidi e stabili, nonché un apprendimento rapido sul lavoro o in una sessione di formazione interattiva con l’utente”, ha affermato Sandamirskaya.
Intel Labs: Il futuro è luminoso per l’informatica neuromorfica
Il calcolo neuromorfico non è ancora disponibile come tecnologia commercialmente valida.
Mentre Sandamirskaya afferma che il movimento del calcolo neuromorfico sta “guadagnando forza a un ritmo sorprendente”, le applicazioni commerciali richiederanno il miglioramento dell’hardware neuromorfico in risposta alla ricerca applicativa e algoritmica, nonché lo sviluppo di un framework software multipiattaforma comune e profonde collaborazioni tra industria, università e governi.
Tuttavia, è fiduciosa sul futuro dell’informatica neuromorfica.
“Siamo incredibilmente entusiasti di vedere come l’informatica neuromorfica possa offrire un’alternativa convincente ai tradizionali acceleratori di intelligenza artificiale”, ha affermato, “migliorando in modo significativo l’efficienza energetica e dei dati per casi d’uso di intelligenza artificiale più complessi che vanno dal data center alle applicazioni estreme”.
